我已经训练了Keras(带有Tensorflow后端)模型,该模型具有两个带有自定义损失功能的输出。我需要使用custom_objects
参数从磁盘加载模型的帮助。
在编译模型时,我使用了loss和loss_weights参数,如下所示:
losses = {
'output_layer_1':custom_loss_fn,
'output_layer_2':custom_loss_fn
}
loss_weights = {
'output_layer_1': 1.0,
'output_layer_2': 1.0
}
model.compile(loss=losses, loss_weights=loss_weights, optimizer=opt)
该模型正在训练,没有任何问题。我将模型保存如下:
model.save(model_path)
我之所以没有定义“ custom_loss_fn”的原因是因为custom_loss_fn是在另一个自定义Keras图层中定义的。
我的问题是如何在推理过程中将持久化的模型加载到磁盘上。如果它是单个输出模型,那么我将按照以下stackoverflow问题Loading model with custom loss + keras
所述,使用custom_objects加载模型。model = keras.models.load_model(model_path, custom_objects={'custom_loss_fn':custom_loss_fn})
但是,在我有两个输出,字典中定义的损失和损失权重以及自定义损失函数的情况下,该如何扩展呢?
换句话说,在custom_objects
和losses
被定义为字典的情况下,应该如何填充loss_weights
?
我正在使用Keras v2.1.6和Tensorflow后端v1.8.0。
答案 0 :(得分:0)
如果您可以在加载侧重新编译模型,最简单的方法是仅保存权重:model.save_weights()
。如果要使用save_model并具有自定义的Keras图层,请确保它们实现了get_config
方法(请参见this参考)。
至于没有渐变的操作,我在混合使用tensorflow和Keras时没有正确使用keras.backend
函数就已经看到了这一点,但是如果没有模型代码本身,我将无济于事。